本申請實施例涉及數(shù)據(jù)處理的，尤其涉及基于機器學習與數(shù)據(jù)挖掘的城市公共服務(wù)需求預測方法和系統(tǒng)。

背景技術(shù)：

1、隨著城市化進程的加速，城市公共服務(wù)體系面臨著日益增長的需求與挑戰(zhàn)。特別是在公共交通領(lǐng)域，高效、準確地預測公交線路乘客量對于優(yōu)化資源配置、提升服務(wù)質(zhì)量、緩解交通擁堵等方面至關(guān)重要。傳統(tǒng)的預測方法大多基于靜態(tài)模型和有限的歷史數(shù)據(jù)，難以全面考慮眾多動態(tài)因素的影響，如人口流動變化、天氣條件、特殊事件（如節(jié)假日、大型活動）、以及乘客行為模式的多樣性等，導致預測精度受限。

技術(shù)實現(xiàn)思路

1、本申請實施例提供一種基于機器學習與數(shù)據(jù)挖掘的城市公共服務(wù)需求預測方法和系統(tǒng)，用以解決上述背景技術(shù)中存在的問題。

2、第一方面，本申請實施例中提供了一種基于機器學習與數(shù)據(jù)挖掘的城市公共服務(wù)需求預測方法，包括：獲取待預測城市的多個數(shù)據(jù)源數(shù)據(jù)，并對所述多個數(shù)據(jù)源數(shù)據(jù)進行預處理，得到預處理后的多個數(shù)據(jù)源數(shù)據(jù)，其中，所述多個數(shù)據(jù)源數(shù)據(jù)包括：交通相關(guān)數(shù)據(jù)，公交車gps定位數(shù)據(jù)，公交服務(wù)評論數(shù)據(jù)和政府開放數(shù)據(jù)，所述預處理包括：處理缺失值，剔除異常值和數(shù)據(jù)標準化處理；利用自適應(yīng)動態(tài)算法，為所述預處理后的多個數(shù)據(jù)源數(shù)據(jù)匹配對應(yīng)的權(quán)重值；基于自動特征發(fā)現(xiàn)機制、所述預處理后的多個數(shù)據(jù)源數(shù)據(jù)和所述權(quán)重值，構(gòu)建特征集；基于所述特征集和所述特征集對應(yīng)的權(quán)重值，對復合預測模型進行訓練，得到完成訓練的復合預測模型，其中，所述復合預測模型為基于機器學習模型、圖注意力網(wǎng)絡(luò)和變分自編碼器構(gòu)建的模型；利用所述完成訓練的復合預測模型，對公交線路乘客量進行預測，得到初始預測結(jié)果，并利用時空立方體分析與預測修正機制對所述初始預測結(jié)果進行修正，得到修正后的預測結(jié)果。

3、進一步的，所述交通相關(guān)數(shù)據(jù)至少包括：歷史乘客量記錄、公交線路信息、人口統(tǒng)計數(shù)據(jù)和節(jié)假日安排；所述政府開放數(shù)據(jù)至少包括：城市交通流量數(shù)據(jù)和重大活動安排。

4、進一步的，所述自適應(yīng)動態(tài)算法的表達式為：

5、；其中，為當前時間點對應(yīng)的第個數(shù)據(jù)源的權(quán)重，為第個數(shù)據(jù)源與當前預測目標的相關(guān)性分數(shù)，為第個數(shù)據(jù)源的可靠性指標，為時間衰減因子，為第個數(shù)據(jù)源的最后更新時間，為第個數(shù)據(jù)源的最后更新時間。

6、進一步的，基于自動特征發(fā)現(xiàn)機制、所述預處理后的多個數(shù)據(jù)源數(shù)據(jù)和所述權(quán)重值，構(gòu)建特征集，包括：基于所述預處理后的多個數(shù)據(jù)源數(shù)據(jù)，構(gòu)建特征池，其中，所述特征池中包含多個特征組合；將所述特征組合編碼為染色體，其中，所述染色體中每個基因為表示一個特征是否被選中；基于所述染色體、預設(shè)適應(yīng)度函數(shù)、遺傳算法和所述權(quán)重值，確定出特征集。

7、進一步的，利用時空立方體分析與預測修正機制對所述初始預測結(jié)果進行修正，得到修正后的預測結(jié)果，包括：基于所述預處理后的多個數(shù)據(jù)源數(shù)據(jù)，構(gòu)建時空立方體，其中，所述時空立方體中包含多個立方體單元，所述多個立方體單元表征各時間點和各地點對應(yīng)的乘客量或相關(guān)特征值；?利用所述時空立方體技術(shù)和所述時空立方體，確定出所述初始預測結(jié)果的補償值；基于所述補償值和所述初始預測結(jié)果，確定出所述修正后的預測結(jié)果。

8、進一步的，利用所述時空立方體技術(shù)和所述時空立方體，確定出所述初始預測結(jié)果的補償值，包括：基于所述時空立方體技術(shù)和所述時空立方體，確定出每個立方體單元內(nèi)的時空模式，并基于所述時空模式，確定出每個時空立方體的第一補償值；基于局部區(qū)域發(fā)展趨勢分析算法和所述時空立方體，確定出每個時空立方體的第二補償值；基于事件影響分析算法和所述時空立方體，確定出每個時空立方體的第三補償值。

9、第二方面，本申請實施例提供了一種基于機器學習與數(shù)據(jù)挖掘的城市公共服務(wù)需求預測系統(tǒng)，包括：預處理單元，用于獲取待預測城市的多個數(shù)據(jù)源數(shù)據(jù)，并對所述多個數(shù)據(jù)源數(shù)據(jù)進行預處理，得到預處理后的多個數(shù)據(jù)源數(shù)據(jù)，其中，所述多個數(shù)據(jù)源數(shù)據(jù)包括：交通相關(guān)數(shù)據(jù)，公交車gps定位數(shù)據(jù)，公交服務(wù)評論數(shù)據(jù)和政府開放數(shù)據(jù)，所述預處理包括：處理缺失值，剔除異常值和數(shù)據(jù)標準化處理；匹配單元，用于利用自適應(yīng)動態(tài)算法，為所述預處理后的多個數(shù)據(jù)源數(shù)據(jù)匹配對應(yīng)的權(quán)重值；構(gòu)建單元，用于基于自動特征發(fā)現(xiàn)機制、所述預處理后的多個數(shù)據(jù)源數(shù)據(jù)和所述權(quán)重值，構(gòu)建特征集；訓練單元，用于基于所述特征集和所述特征集對應(yīng)的權(quán)重值，對復合預測模型進行訓練，得到完成訓練的復合預測模型，其中，所述復合預測模型為基于機器學習模型、圖注意力網(wǎng)絡(luò)和變分自編碼器構(gòu)建的模型；預測單元，用于利用所述完成訓練的復合預測模型，對公交線路乘客量進行預測，得到初始預測結(jié)果，并利用時空立方體分析與預測修正機制對所述初始預測結(jié)果進行修正，得到修正后的預測結(jié)果。

10、第三方面，本申請實施例提供了一種計算設(shè)備，包括處理組件以及存儲組件；所述存儲組件存儲一個或多個計算機指令；所述一個或多個計算機指令用以被所述處理組件調(diào)用執(zhí)行，實現(xiàn)如上述第一方面所述的方法。

11、第四方面，本申請實施例提供了一種計算機存儲介質(zhì)，存儲有計算機程序，所述計算機程序被計算機執(zhí)行時，實現(xiàn)如上述第一方面所述的方法。

12、在本發(fā)明實施例中，通過充分融合多種數(shù)據(jù)源，動態(tài)調(diào)整數(shù)據(jù)權(quán)重以適應(yīng)不同場景，自動化發(fā)現(xiàn)關(guān)鍵特征，結(jié)合先進的機器學習模型與深度學習技術(shù)，以及利用時空分析手段進行精準預測與結(jié)果修正，以滿足現(xiàn)代城市公共服務(wù)需求預測的高標準要求。

13、本申請的這些方面或其他方面在以下實施例的描述中會更加簡明易懂。

技術(shù)特征：

1.一種基于機器學習與數(shù)據(jù)挖掘的城市公共服務(wù)需求預測方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，基于所述特征集和所述特征集對應(yīng)的權(quán)重值，對復合預測模型進行訓練，得到完成訓練的復合預測模型，包括：

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，利用時空立方體分析與預測修正機制對所述初始預測結(jié)果進行修正，得到修正后的預測結(jié)果，包括：

6.根據(jù)權(quán)利要求5所述的方法，其特征在于，利用所述時空立方體技術(shù)和所述時空立方體，確定出所述初始預測結(jié)果的補償值，包括：

7.一種基于機器學習與數(shù)據(jù)挖掘的城市公共服務(wù)需求預測系統(tǒng)，其特征在于，包括：

8.一種計算設(shè)備，其特征在于，包括處理組件以及存儲組件；所述存儲組件存儲一個或多個計算機指令；所述一個或多個計算機指令用以被所述處理組件調(diào)用執(zhí)行，實現(xiàn)如權(quán)利要求1至6任一項所述的方法。

9.一種計算機存儲介質(zhì)，其特征在于，存儲有計算機程序，所述計算機程序被計算機執(zhí)行時，實現(xiàn)如權(quán)利要求1至6任一項所述的方法。

技術(shù)總結(jié)
本申請?zhí)峁┮环N基于機器學習與數(shù)據(jù)挖掘的城市公共服務(wù)需求預測方法和系統(tǒng)，能夠充分融合多種數(shù)據(jù)源，動態(tài)調(diào)整數(shù)據(jù)權(quán)重以適應(yīng)不同場景，自動化發(fā)現(xiàn)關(guān)鍵特征，結(jié)合先進的機器學習模型與深度學習技術(shù)，以及利用時空分析手段進行精準預測與結(jié)果修正，以滿足現(xiàn)代城市公共服務(wù)需求預測的高標準要求。

技術(shù)研發(fā)人員：陳偉雄
受保護的技術(shù)使用者：北京天啟創(chuàng)展科技有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/10/21